摘  要： 針對復雜背景的視頻圖像車型識別，提出了一種利用尺度顯著性的車型識別方法。由于尺度顯著性對圖像均一亮度變化、縮放、旋轉以及噪聲都具有不變性，因此引入尺度顯著性算法提取車輛圖像的分類特征。最后采用RBF網絡分類驗證該方法對多種車型的識別。實驗結果表明，提取尺度顯著性特征能夠有效地識別汽車車型。
關鍵詞： 車型識別；尺度顯著性算法；特征提取；RBF神經網絡

　車輛自動識別技術是智能交通系統ITS（Intelligent Transportation System）的重要組成部分，它對特定地點和時間的車輛進行識別和分類，并以之作為交通收費、調度和統計的依據。
　根據GB/T 3730.1-2001《汽車和掛車類型的術語和定義》[1]，汽車分為乘用車（不超過9座）和商用車。車型識別的研究主要應用在車輛結構和車輛型號（不同品牌型號）兩個方面。本文主要是在車輛結構上進行車型識別，將識別的車輛分為乘用車（小車）和商用車（大車）兩類。
車型識別的汽車圖片中汽車所處環境復雜多變，并且同類車型包括眾多不同的車輛，車型識別的難點在于獲取最本質、最有代表性的特征。在提取特征方面，英國曼徹斯特大學的PETROVIC V S等人對汽車前景圖像的參考曲面提取梯度特征[2]，NEGRI P和CLADY X等人提取汽車正面圖像定向輪廓點特征[3-4]，但是光線特征和輪廓點特征對光線變換敏感，當光線不同時，識別率變化較大。隨后，PSYLLOS A等人采用尺度不變換特征（SIFT）提取車臉圖像特征[5]。SIFT特征具有圖像尺度（特征大小）和旋轉不變性，而且對光照變化也具有一定程度的不變性，但是圖像出現損壞、遮擋時，識別率也會受到影響。
本文根據人眼分辨事物的特點提取車輛前景圖像（車臉圖像）尺度顯著性特征，然后用徑向基神經網絡作為分類器去測試提取特征方法的識別效果。實驗結果表明，本文所提出的方法能有效地對車型進行識別處理。
1 尺度顯著性算法
　尺度顯著性算子是基于提取魯棒而有關聯的特征的需要而提出的[6]。如果一幅圖像的某些區域不能在特征和尺度空間同時進行預測，尺度顯著性算法將認為這些區域是顯著特征區域，即人眼辨別事物時的感興趣區域。其中的不可預測性通過統計方法確定，計算出位置和尺度的顯著特征值空間作為進一步理解圖像的基礎。與傳統方法相比，其目標是成為一個尺度和顯著特征的通用方法，因為這兩者的定義與特殊的基本形態意義無關，這些基本形態意義不是基于粒子、邊緣和角點等特殊的幾何特征。該方法通過確定某一尺度上圖像塊內的熵（entropy，即一種稀有性的量度）進行處理，熵HD定義為：

　
3 算法性能分析
　鑒于基于徑向基函數神經網絡的模式分類方法在網絡結構方面的簡潔性以及在識別率和訓練速度方面的優勢，本文采用其作為車型識別方法。用采集到的部分車輛圖去訓練已經設計好的RBF網絡，最后驗證該特征提取方法的有效性，計算車型識別率。
3.1 網絡模型設計
　為驗證提取顯著性特征的區分性，選擇RBF神經網絡作為分類器。徑向基函數神經網絡一般采用具有輸入層、隱藏層和輸出層的3層模型，各層的權值向量維數等于其神經元節點個數。
輸入層的節點數由特征向量的維數決定，本文選取車臉圖像的前15個顯著性區域作為車臉圖像顯著性特征，每個顯著性區域包含中心點（x，y）和尺度s，提取得到的特征向量為15×3=45維，故輸入層節數為45。
輸出層的節點數由輸出向量維數決定。本文將帶識別的車型分為乘務車（小車）和商務車（大車）兩類，因此輸出向量為二維向量，即輸出層節點數為2。
隱藏層的節點數可以通過網絡學習自適應獲得。
3.2 試驗與結果分析
　實驗數據來自于相機采圖，相機不是固定的，放置在車輛正前方3~5 m處，距離地面1.4~1.6 m，因此采集的車輛圖片在尺度和角度±5°都有的變化。在一個月時間內不同天氣和不同光線條件下采集1 046幅車臉圖像，圖5為采集到的車臉圖像樣例。其中，700幅圖像用于訓練（大車和小車圖像各350幅），346幅圖像用于測試（198幅小車圖像和148幅大車圖像），用這些訓練圖像一次性完成對已設計好的RBF網絡的訓練，得到車型識別結果如表2所示。

　從表2可知，基于尺度顯著性的車型識別方法，乘用車（小車）和商務車（大車）的識別率都在94%以上，達到較好的效果。未能正確識別的車輛圖像中，大部分都是背景比較復雜，或是車輛目標不是很明顯。為進一步提高識別率，需在復雜背景下提取車輛圖像，這也是今后改進的方向。
本文首次提取圖像尺度顯著性因子作為圖像的分類特征，并應用到圖像識別領域，提出了一種基于尺度顯著性的車型識別方法。相比于傳統的特征提取方法，尺度顯著性因子對圖像均一亮度變化、縮放、旋轉以及噪聲都具有不變性，并對視點的細微變化也有魯棒性。用RBF神經網絡去驗證算法性能，實驗結果顯示，基于尺度顯著性的車型識別方法是有效的。鑒于圖像尺度顯著性因子的特性，可以將這種方法應用復雜背景下的目標檢測和跟蹤，這也是下一步將研究的問題。
參考文獻
[1] GB/T 3730·1-2001. Motor Vehicles and Trailers-Types：Terms and Definitions[S].
[2] PETROVIC V S， COOTES T F. Vehicle type recognition with match refinement[C]. International Conference on Pattern Recognition， 2004（3）：95-98.
[3] NEGRI P， CLADY X， MILGRAM M， et al. An oriented-contour point based voting algorithm for vehicle type classification[C]. 18th International Conference on Pattern Recognition， 2006（1）：574-577.
[4] CLADY X， NEGRI P， MILGRAM M， et al. Multi-class vehicle type recognition system[C]. Lecture Notes in Computer Science， 2008（5064）：228-239.
[5] PSYLLOS A， ANAGNOSTOPOULOS C N， KAYAFAS E. Vehicle model recognition from frontal view image measurements[J]. Journal Computer Standards & Interfaces， 2011（33）：142-151.
[6] KADIR T， BRADY M. Scale， saliency and image description [J]. International Journal of Computer Vision， 2001， 45（2）：83-97.